A novel framework for uncertainty quantification of rainfall–runoff models based on a Bayesian approach focused on transboundary river basins
Notice bibliographique
Résumé
The transboundary Imjin River basin, Korea. The primary aim is to propose and validate a novel framework for assessing the uncertainty in hydrological models, particularly rainfall–runoff models (RRMs), considering transboundary river basins with limited data accessibility. By utilizing an adaptive Markov chain Monte Carlo (MCMC) simulation method combined with three comprehensive uncertainty assessment measures, the developed framework focuses on evaluating the uncertainty inherent in RRMs. A key component of this framework is the delayed rejection adaptive Metropolis (DRAM) algorithm, which is employed to explore behavioral simulations defined by four likelihood functions (LFs). The proposed methodology was applied to the transboundary Imjin River basin using the Sejong University rainfall–runoff (SURR) model, a case study that involves a database of five-year extreme flood events. The application of this framework in the transboundary Imjin basin demonstrated its effectiveness in quantifying and addressing the uncertainty in RRM predictions. The integration of the DRAM algorithm with uncertainty indices provided a robust mechanism for evaluating and improving the reliability of RRM outputs for transboundary basins. Effects of LFs in blending with the DRAM algorithm were confirmed by uncertainty measures and the behavior of the upper and lower uncertainty bounds. These insights could provide an approach to develop more accurate and reliable water resource management strategies in global transboundary contexts. • Propose a novel framework to evaluate the RRM uncertainty for transboundary rivers. • The framework integrates adaptive MCMC method, LFs, and three uncertainty indexes. • Distance between 95PCI and observation was first used in RRM uncertainty analyses. • Hydrologic stations with dissimilar input cases were analyzed for their uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».